滾動軸承多分類故障診斷技術(shù)研究

劉 琦

（92493部隊60分隊，遼寧 葫蘆島 125000）

0 引言

滾動軸承是在機械設(shè)備中非常重要的關(guān)鍵部件之一。據(jù)統(tǒng)計，超過50%的旋轉(zhuǎn)機器故障與軸承故障有關(guān)，實施滾動軸承狀態(tài)監(jiān)測與故障診斷具有非常重要的意義。

在當今工業(yè)現(xiàn)場，應(yīng)用最多的是基于信號分析的故障診斷技術(shù)，其主要判據(jù)是故障特征頻率和特征圖譜。這種診斷方法要求技術(shù)人員熟悉設(shè)備的故障機理，了解設(shè)備的機械結(jié)構(gòu)，儲備大量的先驗知識，但其診斷效率和準確度不高，難以適應(yīng)日益復雜的機械設(shè)備系統(tǒng)。隨著大數(shù)據(jù)時代的到來與人工智能技術(shù)的突破，機器學習顯示出了巨大的潛力，智能診斷方法在故障診斷中顯示出了充分的可行性和優(yōu)越性[1]。在機電大數(shù)據(jù)時代，如何有效利用海量生產(chǎn)制造數(shù)據(jù)并發(fā)揮出數(shù)據(jù)的價值，越來越成為工業(yè)轉(zhuǎn)型的研究熱點和重要突破口。

1 軸承數(shù)據(jù)的預處理與挖掘分析

1.1 數(shù)據(jù)獲取

滾動軸承出現(xiàn)損壞故障的原因是復雜多樣的。大體上，可以將軸承的故障主要劃分為以下3種：外圈故障、內(nèi)圈故障、滾珠故障。本文軸承故障數(shù)據(jù)來源于DC競賽開源數(shù)據(jù)的真實軸承振動信號數(shù)據(jù)集，數(shù)據(jù)集提供了792個數(shù)據(jù)樣本。通過按時間序列連續(xù)采樣，數(shù)值范圍為1～6000，得到振動信號能量值。采用的軸承具有3種直徑（直徑1，直徑2，直徑3），結(jié)合3種故障狀態(tài)，將軸承的故障類別定義為9類，外加正常的工作狀態(tài)，共將軸承的工作狀態(tài)定義為10類。標簽數(shù)據(jù)代表軸承的工作狀態(tài)，用數(shù)字0～9表示，軸承的工作狀態(tài)類別見表1。

表1 軸承的工作狀態(tài)類別Table 1 Working state category of bearing

1.2 數(shù)據(jù)預處理

因數(shù)據(jù)集是軸承采集的真實數(shù)據(jù)，且數(shù)據(jù)質(zhì)量很高，本實驗不需對異常值進行處理。因此，本實驗數(shù)據(jù)的數(shù)據(jù)清洗工作主要為缺失值的處理，本文采取填補法處理缺失值?？紤]到實驗數(shù)據(jù)為時序數(shù)據(jù)，針對空值取其前后各10組數(shù)據(jù)的平均值作為估計值。

1.3 特征分析

本實驗數(shù)據(jù)是軸承在一段時間內(nèi)的振動信號數(shù)值及其故障類別，振動信號數(shù)值已經(jīng)說明，時間序列的同列取值不相關(guān)，甚至可以認為每一組數(shù)據(jù)時間序列數(shù)目也不一樣，所以必須對時序數(shù)據(jù)提取特征。本文提取了平均值、標準差、方差、最小值、最大值、中位數(shù)、偏度、峰度等8個時序數(shù)據(jù)特征值。

2 模型應(yīng)用與訓練

故障診斷可以視作一個模式識別問題，正常運行狀態(tài)與各種故障狀態(tài)都可以看作是一種特定的模式，可以根據(jù)提取出的特征進行分類識別。

2.1 多分類診斷模型

如果預測的是離散值，例如“好西瓜”“壞西瓜”，那么此類學習任務(wù)稱為“分類”。當分類任務(wù)只包含兩個類別時，稱為“二分類”任務(wù)，例如判斷一個水果是不是西瓜，只會得到“是”或“不是”兩種輸出；當分類任務(wù)包含多個類別時，稱為“多分類”任務(wù)，例如判斷一個水果是西瓜、蘋果、菠蘿還是橙子等多個水果中的哪一種。

對于N個類別而言，多分類學習的基本思路是“拆解法”，即將多分類任務(wù)拆解為若干個二分類任務(wù)。具體而言，首先選定合適的拆分策略對問題進行拆解，然后針對每個拆解出來的二分類任務(wù)訓練一個分類器，最終通過某些策略對分類器的結(jié)果進行集成即可得到最終的多分類結(jié)果。

2.2 基于隨機森林的軸承故障診斷

隨機森林是一種采用決策樹為基礎(chǔ)模型的Bagging擴展變體，進一步在決策樹的訓練過程中引入了隨機屬性選擇，在穩(wěn)定性和準確性上取得了良好效果，得到了廣泛的應(yīng)用。

簡單來說，隨機森林就是獨立取出訓練樣本生成決策樹，通過建立多棵決策樹進而組成一片“森林”。與單棵的決策樹進行比較，隨機森林采用合適的策略將多棵決策樹的結(jié)果進行結(jié)合，分類結(jié)果由多棵決策樹共同決定，彌補了決策樹存在過擬合情況的缺陷，分類精度更高。

2.3 基于LightGBM的軸承故障診斷

為了解決梯度提升決策樹（GBDT）在海量數(shù)據(jù)中遇到的問題，2017年微軟在GBDT的基礎(chǔ)上推出了LightGBM算法，在模型訓練速度和內(nèi)存方面進行了一定的優(yōu)化，取得了不錯的應(yīng)用表現(xiàn)。

under the new global economic and trade situation.（209）很明顯“順應(yīng)全球經(jīng)貿(mào)發(fā)展趨勢”在漢語是謂語，但在英語譯文中是狀語;“積極主動”是定語修飾“開放戰(zhàn)略”，但是英語中更適合作狀語 actively promote the opening--up strategy。實際上漢語應(yīng)該這樣表達“更加積極主動地實行開放戰(zhàn)略，所以有的極個別漢語表達是具有迷惑性的，無意中會引起翻譯的困難。

面對海量數(shù)據(jù)，GBDT算法處理起來相對復雜，計算開銷非常大，難以兼顧精度和效率。而LightGBM模型的提出，主要在基于梯度的單邊采樣（GOSS）和互斥特征綁定（EFB）兩個方面做出了改進，大大降低了計算復雜度，在提升了模型計算效率的同時，還可以保證較高的準確率。

2.4 基于XGBoost的軸承故障診斷

極限提升樹算法（XGBoost），是陳天奇提出的基于Boosting思想的一種梯度提升改進方法。XGBoost能夠利用CPU進行多線程并行計算，具有較高的運行效率；同時XGBoost在傳統(tǒng)GBDT算法的基礎(chǔ)上，對代價函數(shù)實現(xiàn)二階泰勒級數(shù)展開，把樹模型復雜度作為正則項加到優(yōu)化目標中，減少了過擬合的可能性，使學習到的模型泛化能力更高，加快了收斂速度[3]。XGBoost以其靈活、高速、穩(wěn)健等眾多優(yōu)點，使其在機器學習和數(shù)據(jù)挖掘等科研領(lǐng)域廣受關(guān)注，目前多被用于構(gòu)建故障診斷預測模型。

2.5 基于CNN的軸承故障診斷

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種經(jīng)常用來處理具有類似于網(wǎng)格結(jié)構(gòu)的數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，是目前主流深度學習算法之一[4]。

卷積神經(jīng)網(wǎng)絡(luò)是典型的層疊結(jié)構(gòu)，其網(wǎng)絡(luò)基本結(jié)構(gòu)包括輸入層、卷積層、池化層、全連接層和輸出層，示意圖如圖1所示。

圖1 典型卷積網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.1 Schematic diagram of a typical convolutional network structure

2.6 評價指標

在經(jīng)過數(shù)據(jù)預處理、特征處理與分析等流程之后，就可以開始構(gòu)建模型了。一般地，會基于已有數(shù)據(jù)構(gòu)建多個模型，從中選出與數(shù)據(jù)最為匹配的模型。此時，就需要利用評價指標衡量模型的效果。結(jié)合本文的研究任務(wù)，選取查準率、召回率、F1-Score、ROC曲線和AUC作為模型評價指標。

2.6.1 查準率

查準率（Precision）的定義是模型判為正例的所有樣本中有多少是真正的正樣本，其定義如式（1）所示：

2.6.2 召回率

2.6.3 F1-Score

F1-Score的定義是精確率和召回率的調(diào)和平均值，其定義如式（3）所示：

2.6.4 ROC曲線和AUC

ROC（Receiver Operating Characteristic） 曲 線 和 AUC（Area Under Curve）常用來評價分類器的優(yōu)劣。ROC曲線的橫軸為假正例率（FPR），即反例被誤判為正例的比率；縱軸是真正例率（TPR），即正例被判斷正確的比率。通常，ROC曲線越接近左上角，分類器的性能越好。

AUC是ROC曲線下的面積，面積越大意味著分類器效果越好。

在實際的數(shù)據(jù)集中，測試數(shù)據(jù)中的正負樣本的分布很可能隨著時間變化，而ROC曲線具有一個特性，即在正負樣本的分布變化時ROC曲線仍然能夠保持不變。因此，ROC和AUC在眾多評價標準中深受研究人員喜愛。

2.6.5 損失函數(shù)

損失函數(shù)（loss function）是用來估量模型的預測值與真實值的不一致程度，通過使損失函數(shù)最小化，使模型達到收斂狀態(tài)，減少模型預測值的誤差。

3 診斷預測結(jié)果與分析

3.1 實驗結(jié)果

3.1.1 隨機森林模型分類實驗結(jié)果

隨機森林模型實驗同樣取全部數(shù)據(jù)樣本的70%作為訓練集，30%作為測試集。使用隨機森林模型后，軸承故障診斷預測分類結(jié)果如圖2所示。

圖2 隨機森林分類實驗結(jié)果Fig.2 Random forest classification experiment results

隨機森林模型的總體分類準確率為0.95378。由圖2中可知，有11個故障樣本的故障類型被誤判，占全部樣本4.6%。在誤判的故障類型中，有10個誤判樣本均來自于故障2（內(nèi)圈故障）或故障3（滾珠故障）。這是因為外圈故障振動信號周期性沖擊特性明顯，故障特性明顯，而內(nèi)圈故障和滾珠故障因其結(jié)構(gòu)和工作特性故障特征不太明顯，因此容易產(chǎn)生誤判。同時，可以觀察到，故障2（內(nèi)圈故障）或故障3（滾珠故障）均屬于直徑1的軸承，可以理解為故障結(jié)果誤判與軸承直徑也存在一定關(guān)系。

3.1.2 LightGBM模型分類實驗結(jié)果

LightGBM模型實驗同樣取全部數(shù)據(jù)樣本的70%作為訓練集，30%作為測試集。使用LightGBM模型后，軸承故障診斷預測分類結(jié)果如圖3所示。

LightGBM模型的總體分類準確率為0.95798。由圖3中可知，有10個故障樣本的故障類型被誤判，占全部樣本4.2%。在誤判的故障類型中，有5個誤判樣本來自于故障2，占所有誤判結(jié)果的一半，造成這種誤判現(xiàn)象的原因很可能是內(nèi)圈故障信號波形周期性沖擊特性較為不明顯，故障表現(xiàn)的較為微弱，容易產(chǎn)生誤判。同時，故障2的樣本數(shù)相比于其他樣本較少，也可能因此無法達到理想的訓練效果，從而影響實驗結(jié)果。

圖3 LightGBM分類實驗結(jié)果Fig.3 LightGBM classification experiment results

圖6 10次訓練Fig.6 10 times training

圖7 20次訓練Fig.7 20 times training

3.1.3 XgBoost模型分類實驗結(jié)果

XgBoost模型實驗同樣取全部數(shù)據(jù)樣本的70%作為訓練集，30%作為測試集。使用XgBoost模型后，軸承故障診斷預測分類結(jié)果如圖4所示。

圖4 XgBoost分類實驗結(jié)果Fig.4 XgBoost classification experiment results

XgBoost模型的總體分類準確率為0.94537。由圖4可知，有13個故障樣本的故障類型被誤判，占全部樣本5.4%。在誤判的故障類型中，有8個誤判樣本均來自于故障2或故障3，造成這種誤判現(xiàn)象的原因很可能與隨機森林模型結(jié)果誤判原因相同。

3.1.4 CNN模型分類實驗結(jié)果

CNN模型實驗同樣取全部數(shù)據(jù)樣本的70%作為訓練集，30%作為測試集。使用CNN模型進行訓練后，軸承故障診斷預測分類結(jié)果如圖5～圖8所示。

圖5 5次訓練Fig.5 5 times training

圖8 30次訓練Fig.8 30 times training

可以看出，經(jīng)歷了5次訓練后的CNN模型總體分類準確率較低，僅為0.64285，有29個有故障樣本被判為無故障，此外還有大量的有故障樣本的故障類型被誤判；經(jīng)歷了10次訓練后的CNN模型總體分類準確率大幅提升為0.98739；經(jīng)歷了20次訓練后的CNN模型僅有1個樣本的故障類型被誤判；最終，經(jīng)歷30次訓練后，CNN模型的訓練結(jié)果已經(jīng)達到了1.00000，達到了軸承故障診斷與預測的最佳預期效果。

3.2 評價指標結(jié)果

ROC和AUC評價指標結(jié)果如圖9～圖11所示。

圖9 隨機森林分類后的ROC曲線和AOCFig.9 ROC curve and AOC after random forest classification

圖11 XgBoost分類后的ROC曲線和AOCFig.11 ROC curve and AOC after XgBoost classification

使用CNN模型進行多次訓練后，查準率、召回率、F1-score、損失函數(shù)評價指標的變化如圖12～圖15所示。

圖12 精確率隨訓練次數(shù)變化Fig.12 The accuracy rate varies with the number of training sessions

圖15 損失函數(shù)隨訓練次數(shù)變化Fig.15 The loss function changes with the number of training

由以上圖表可以看到，在訓練20次時，模型訓練結(jié)果已經(jīng)趨近最優(yōu)；在訓練30次時，可以認為達到了最佳的訓練效果。

圖10 LightGBM分類后的ROC曲線和AOCFig.10 ROC curve and AOC after LightGBM classification

圖13 召回率隨訓練次數(shù)變化Fig.13 The recall rate varies with the number of training sessions

圖14 F1-score隨訓練次數(shù)變化Fig.14 F1-score Changes with the number of training

3.3 性能對比與分析

對比隨機森林、LightGBM、XgBoost以及CNN模型（訓練30次）的評價結(jié)果，匯總見表2，繪制柱狀圖如圖16所示。

表2 模型評價結(jié)果對比Table 2 Comparison of model evaluation results

圖16 模型評價結(jié)果對比Fig.16 Comparison of model evaluation results

從表2和圖16中可以看出，在機器學習的4個模型中，對比查準率、召回率和F1分數(shù)這3個評價指標，LightGBM模型均獲得最高的評價結(jié)果，但是隨機森林模型取得了最高的AUC分數(shù)，為0.997，比LightGBM模型的0.995得分還要高出0.002。AUC代表的是分類或者排序能力，與分類閾值無關(guān)，因此查準率高的模型其AUC指標也是可能出現(xiàn)較低值的。在本實驗中，CNN模型展現(xiàn)了其非常優(yōu)秀的分類能力，經(jīng)過30次迭代訓練，其各項指標已經(jīng)達到最優(yōu)。

4 總結(jié)

本文以滾動軸承為研究對象，對滾動軸承多分類故障診斷技術(shù)進行了研究，卷積神經(jīng)網(wǎng)絡(luò)分類速度快、精度高，展現(xiàn)出優(yōu)異的分類能力，可在其基礎(chǔ)上進行擴展優(yōu)化，獲得更優(yōu)的分類結(jié)果。